深度学习基础理论与算法——感知机与神经网络

一、人工智能的崛起

2016年3月,Google公司研发的AlphaGo以 4:1击败世界围棋顶级选手李世石。次年, AlphaGo2.0对战世界最年轻的围棋四冠王柯洁, 以3:0击败对方。背后支撑AlphaGo具备如此强 大能力的,就是“深度学习”(Deep Learning)。
一时间,“深度学习”这个本专属于计算机学 科的术语,成为包括学术界、工业界、风险投 资界等众多领域的热词。
除了博弈,深度学习在计算机视觉(computer vision)、语音识别、自 动驾驶等领域,表现与人类一样好,甚至有些地方超过了人类。2013年, 深度学习就被麻省理工学院的《MIT科技评论》评为世界10大突破性技术 之一。
深度学习不仅是一种算法升级,还是一种全新的思维方式,它的颠覆性在 于,将人类过去痴迷的算法问题,演变成数据和计算问题,以前“算法为 核心竞争力”正在转换为“数据为核心竞争力”。

二、 深度学习的定义

1 深度学习的概念

深度学习就是包含多个隐藏层(越多即越深)的多层感知机。它通过组合低层特征,形成更为抽象的高层表示,用于描述被识别对象的高级属性类别或特征。能自生成数据的中间表示(虽然这个表示并不能被人所理解),是深度学习区别于其它机器学习算法的独门绝技。
所以,深度学习可总结为:通过加强网络,提取数据深层次特征。

2 深度神经网络

深度神经网络包括:输入层、隐藏层、输出层。

在这里插入图片描述

3 深度学习和机器学习的关系

人工智能学科体系图
在这里插入图片描述
人工智能、机器学习、深度学习三者的关系,可以认为深度学习是机器学习的“高级阶段”。
在这里插入图片描述

三、深度学习的特点

1 深度学习的特点

  • 优点:
    (1)性能更优异。
    (2)不需要特征工程。
    传统机器学习需要人继续宁特征提取(特征工程),机器性能高度依赖于特征工程的质量。在特征很复杂的情况下,人就显得无能为力。而深度学习不需要这样的特征工程,只需要将数据直接传递给深度学习网络,由机器完成特征提取。
    (3)在大数据样本下有更好的性能。
    深度学习在大样本数据下由更好的性能和扩展性。
    在这里插入图片描述

    (4)能解决某些传统机器学习无法解决的问题。
    如深层次特征提取。

  • 缺点:
    (1)小数据样本下性能不如机器学习
    (2)深度学习网络结构复杂,构建成本高。
    (3)传统的机器学习比深度学习具有更好的解释性,深度学习过程不可解释。

2 深度学习与机器学习对比

在这里插入图片描述

深度学习具有更强的解决问题的能力,特别是在图像处理中,图像识别准确率明显超过机器学习,甚至超过了人类。

未完。。。。。。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值